CN109918972A - 一种行车重量智能监控方法及系统 - Google Patents
一种行车重量智能监控方法及系统 Download PDFInfo
- Publication number
- CN109918972A CN109918972A CN201711327498.2A CN201711327498A CN109918972A CN 109918972 A CN109918972 A CN 109918972A CN 201711327498 A CN201711327498 A CN 201711327498A CN 109918972 A CN109918972 A CN 109918972A
- Authority
- CN
- China
- Prior art keywords
- weight
- data
- vehicle
- waveform
- waveform signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供了一种行车重量智能监控方法及系统,所述方法包含:通过第一称重传感器获得车辆的参考重量数据;通过设置于道路材料内,且与路面和地底具有一定距离的第二称重传感器,获取由路面上的所述车辆对路面的压力产生的形变特征数据;根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型;根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量。以此,可以较低成本的基础上,采集海量数据,其后通过海量数据的训练和学习,以此得到精度更高的实时行车重量;不仅成本低廉,而且克服了现有行车作弊问题,再者通过与高精度传感器获得的行车数据动态融合,也提高了行车重量的称重精度。
Description
技术领域
本发明涉及动态称重领域,尤指一种行车重量智能监控方法及系统。
背景技术
根据交通部公布的2016发展统计公报,截止到2016年末全国载货汽车的保有量达到1351.77万辆。载货车辆的超限超载,对道路寿命,公共交通安全已经构成严重影响。目前,对于高速公路的超限超载的治理,多采用非现场执法超限检测系统,对道路通过的车辆进行称重测量,判断其是否超载超限。其中高速动态称重技术在高速预检、非现场执法领域得到十分广泛的应用。高速称重设备主要应用在高速公路、国省道等自由流通行的道路断面上。其采用的传感器与低速设备不同,多为一体式的称重传感器,即:称体本身即为称重传感器。此类设备尺寸较小,多呈条状,一般其称重区域要远远小于车辆轮胎的接地面积,因此高速称重设备多为不完全称重设备。目前应用较为广泛的高速称重条状传感器有窄条、石英、压电膜,等。如图2所示为条状传感器采集到的一辆两轴车的波形信号示意图。
由于高速设备的称重区域一般远小于轮胎的接地面积,其直接反应的车辆经过的瞬时应变力,故采集到的此类设备的波形一般较为陡峭,且有一个明显的波峰,波形信号好。图2中,e点为车辆的一个轮子的上称点,f点为车辆的下称点。目前,多采用ef段波形的积分与车辆的速度的乘积来计算此段波形所反映的重量信息。
高速称重设备在减少尺寸以适应高速自由流应用要求的前提下,也牺牲了一部分称重精度,当车速较高时,由于车辆自身的振动和路面施工的不平整,会导致称量结果的误差较大;由于检测现场无人监督执法,车辆在通过检测区域的过程中,会通过加减速、绕S行驶等作弊手段,导致称重设备的计量产生较大误差,无法达到超限检测的目的。
发明内容
针对上述技术问题,本发明目的在于提供一种成本低廉的称重设备,使用机器学习方法提供一套新的行车重量智能监控方法,来克服上述的行车作弊问题,与高精度传感器获得的行车数据动态融合,提高行车重量的称重精度。
为达上述目的,本发明具体提供一种行车重量智能监控方法,所述方法包含:通过第一称重传感器获得车辆的参考重量数据;通过设置于道路材料内,且与路面和地底具有一定距离的第二称重传感器,获取由路面上的所述车辆对路面的压力产生的形变特征数据;根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型;根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量。
在上述行车重量智能监控方法中,优选的,所述获取由路面上的所述车辆对路面的压力产生的形变特征数据还包含:根据所述车辆对路面的压力获得形变波形,对所述形变波形进行去噪处理和波形锐化处理获得波形信号;根据所述波形信号获得所述形变特征数据;其中通过以下公式获得所述波形信号:
Y3=Y2+a1Y2”+a2Y2””;
上式中:Y2”,Y2””分别表示Y2的二阶导数和四阶导数,a1,a2分别表示Y2”,Y2””对应的系数,Y1为所述形变波形,Y2为去噪处理后的平滑波形,Y3为通过去噪处理和波形锐化处理获得波形信号。
在上述行车重量智能监控方法中,优选的,根据所述波形信号获得所述形变特征数据还包含:对所述波形信号进行标准化处理,获得标准波形信号;根据所述标准波形信号获得所述形变特征数据;其中通过以下公式获得标准波形信号:
Y4=(Y3-Y3_mean)/Y3_std;
上式中:Y3_mean,Y3_std分别表示Y3均值和标准差,Y3为通过去噪处理和波形锐化处理获得波形信号,Y4为标准波形信号。
在上述行车重量智能监控方法中,优选的,所述方法还包含:采集环境数据,根据所述环境数据调整所述计算模型。
在上述行车重量智能监控方法中,优选的,所述标准波形信号包含上称点、波峰点和下称点。
在上述行车重量智能监控方法中,优选的,根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型包含:根据所述参考重量数据和所述形变特征数据的对应关系,利用机器学习法调整所述参考重量数据与形变特征数据之间的权值,当通过所述权值和待测车辆的形变特征数据计算获得的重量值与待测车辆的参考重量值之间差值小于一预设阈值时,根据所述权值生成计算模型。
本发明还提供一种行车重量智能监控系统,所述系统包含数据采集装置、模型训练装置和计算装置;所述数据采集装置包含第一称重传感器和第二称重传感器;所述第一称重传感器用于获得车辆的参考重量数据;所述第二称重传感器设置于道路材料内,且与路面和地底具有一定距离,用于获取由路面上的所述车辆对路面的压力产生的形变特征数据;所述模型训练装置用于根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型;所述计算装置用于根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量。
在上述行车重量智能监控系统中,优选的,所述模型训练装置还包含:根据所述参考重量数据和所述形变特征数据的对应关系,利用机器学习法调整所述参考重量数据与形变特征数据之间的权值,当通过所述权值和待测车辆的形变特征数据计算获得的重量值与待测车辆的参考重量值之间差值小于一预设阈值时,根据所述权值生成计算模型。
在上述行车重量智能监控系统中,优选的,所述数据采集装置还包含波形预处理模块,所述波形预处理装置用于根据所述车辆对路面的压力获得形变波形,对所述形变波形进行去噪处理和波形锐化处理获得波形信号;根据所述波形信号获得所述形变特征数据;其中通过以下公式获得所述波形信号:
Y3=Y2+a1Y2”+a2Y2””;
上式中:Y2”,Y2””分别表示Y2的二阶导数和四阶导数,a1,a2分别表示Y2”,Y2””对应的系数,Y1为所述形变波形,Y2为去噪处理后的平滑波形,Y3为通过去噪处理和波形锐化处理获得波形信号。
在上述行车重量智能监控系统中,优选的,所述波形预处理装置还包含特征提取模块,所述特征提取模块用于对所述波形信号进行标准化处理,获得标准波形信号;根据所述标准波形信号获得所述形变特征数据;其中通过以下公式获得标准波形信号:
Y4=(Y3-Y3_mean)/Y3_std;
上式中:Y3_mean,Y3_std分别表示Y3均值和标准差,Y3为通过去噪处理和波形锐化处理获得波形信号,Y4为标准波形信号。
通过本发明所提供的行车重量智能监控方法及系统,可以较低成本的基础上,采集海量数据,其后通过海量数据的训练和学习,以此得到精度更高的实时行车重量;不仅成本低廉,而且克服了现有行车作弊问题,再者通过与高精度传感器获得的行车数据动态融合,也提高了行车重量的称重精度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1A为本发明所提供的行车重量智能监控方法的流程图示意图;
图1B为本发明一实施例所提供的行车重量智能监控方法的流程图示意图;
图2是条状设备采集2轴车的波形示意图;
图3是本发明的数据预处理模块流程图图;
图4是本发明机器学习算法模块流程图;
图5是Cov模块过滤器结构示意图;
图6是使用过滤器计算g(0)取值的过程示意图;
图7是全连接层数学原理流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
请参考图1A所示,本发明具体提供一种行车重量智能监控方法,所述方法包含:通过第一称重传感器获得车辆的参考重量数据;通过设置于道路材料内,且与路面和地底具有一定距离的第二称重传感器,获取由路面上的所述车辆对路面的压力产生的形变特征数据;根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型;根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量。值得说明的是,所述计算模型并非固定模型,后期当确认所述参考重量数据和所述形变特征数据均非车辆作弊状态下采集到的数据时,该数据进一步还用于调整所述计算模型,以此在海量数据学习调整的基础上,该计算模型将越来越准确,后期通过该计算模型和所述形变特征数据获得的车辆的重量也将更加贴近真实重量;同时,在上述根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量进一步还包含:判断当前待测车辆在第一称重传感器位置所获得参考重量数据是否为作弊数据,如该数据非作弊数据,那么后期在计算待测车辆实际重量时,还可根据该参考重量数据和利用计算模型计算获得的重量数据联合计算出更为精准的实际车辆数据,例如两者之间的和的平均值等;当然具体方式可根据实际情况选择使用,本发明在此并不做过多限制。
在上述实施例中,根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型包含:根据所述参考重量数据和所述形变特征数据的对应关系,利用机器学习法调整所述参考重量数据与形变特征数据之间的权值,当通过所述权值和待测车辆的形变特征数据计算获得的重量值与待测车辆的参考重量值之间差值小于一预设阈值时,根据所述权值生成计算模型。在本发明一实施例中,在建立计算模型时,还可采集所述第二称重传感器所处环境的环境数据,并将该环境数据作为权值调整的变量加入到该计算模型的建立环节中,调整所述计算模型,以此避免因温度、湿度等环境数据的不同,所导致误差情况发生,具体方法在此就不在详述;其中,所述机器学习法包含卷积神经网络,BP全连接神经网络,SVR等方法。
在本发明一实施例中,所述获取由路面上的所述车辆对路面的压力产生的形变特征数据还包含:根据所述车辆对路面的压力获得形变波形,对所述形变波形进行去噪处理和波形锐化处理获得波形信号;根据所述波形信号获得所述形变特征数据。其中,根据所述波形信号获得所述形变特征数据还包含:对所述波形信号进行标准化处理,获得标准波形信号;根据所述标准波形信号获得所述形变特征数据。所述标准波形信号包含上称点、波峰点和下称点;其中,在上述实施例中,主要通过以下公式获得所述波形信号:
Y3=Y2+a1Y2”+a2Y2””;
上式中:Y2”,Y2””分别表示Y2的二阶导数和四阶导数,a1,a2分别表示Y2”,Y2””对应的系数,Y1为所述形变波形,Y2为去噪处理后的平滑波形,Y3为通过去噪处理和波形锐化处理获得波形信号。
在上述实施例中,主要通过以下公式获得标准波形信号:
Y4=(Y3-Y3_mean)/Y3_std;
上式中:Y3_mean,Y3_std分别表示Y3均值和标准差,Y3为通过去噪处理和波形锐化处理获得波形信号,Y4为标准波形信号。
为更清楚的说明本发明所提供的行车重量智能监控方法,以下以具体实例进行详细说明,本领域相关技术人员当可知,其并不构成对本发明权利要求的任何限定;实际工作中,请参考图1B和图3所示,本发明所提供的行车重量智能监控方法具体可分为模型训练阶段和实时测试阶段;其中,模型训练阶段包含:M1:第二称重传感器的原始波形数据和第一称重传感器的行车标签数据的采集;M2:对采集数据进行数据预处理;M3:行车重量的机器学习训练方法;M4:行车重量的最优训练模型。上述模块M1具体包括:M101:使用第二称重传感器采集3到6个月的行车波形数据,对于已经采集的海量的行车波形数据,先进行一个初始的数据筛选,去除一些没有应力信号的波形数据;M102:对于第一称重传感器采集的标签数据包括:行车的整体重量,行车的速度,行车的单轮重量,行车的单轴重量等;M103:基于在一定的时间段内同一车通过第二称重传感器和第一称重传感器的这一特性,将第二称重传感器采集的每个行车波形样本用第一称重传感器采集的对应标签数据进行一一标定。其中模块M2具体包括:经过模块M1处理后的数据样本,依次进行下面四个子模块处理,去噪模块M21,波形锐化模块M22,数据标准化模块M23,特征提取模块M24,参考图3,具体方法请参考后续说明。在模块M3中主要包括:对于M2处理后的标准数据,采用机器学习方法进行模型训练,机器学习方法包括卷积神经网络,BP全连接神经网络,SVR等方法,其具体内容参见图3所示。在经过模块M3后,就得到了模块M4,即是得到了最优的训练模型,具体建模方式后续将会说明,在此不再详述。
所述实时测试阶段包含:T1:实时获取第二称重传感器的行车波形数据;M2:对采集数据进行数据预处理;T2:实时行车重量。上述模块T1具体的内容与模块M1类似,但是不包括第一称重传感器采集的行车标签数据。在模块T2中具体包含:将实时测试阶段模块M2得到的标准行车数据,输入到模型训练阶段得到的最优模型中,得到实时的第二称重传感器下的行车重量。以此基于第二称重传感器采集的数据,由于其成本低廉,可以采集海量数据;根据机器学习方法是建立在大量数据的基础上,通过海量数据的训练和学习,可以得到精度更高的实时行车重量。
对于模块M2的具体操作如下:
参见图3所示,对于预先采集的数据Y1,先经过M21模块进行去噪处理,得到相对平滑的波形信号Y2,其中去噪模块使用的去噪函数,可以是小波去噪函数,低通滤波函数等。然后经过M22模块进行波形锐化,这个模块的主要功能是将真正的波峰信号部分得到增强,对于震动等引起的波形波动的信号部分变得平缓。经过M22处理后得到相应的波形信号Y3,对于Y2由Y3到的原理部分如下:
Y3=Y2+a1Y2”+a2Y2””;
其中Y2”,Y2””分别表示Y2的二阶导数和四阶导数,a1,a2分别表示Y2”,Y2””对应的系数。
然后再通过M23模块对数据进行标准化处理,得到波形信号Y4,对于标准化模块,将数据按其属性特征(按列进行)减去其均值,并除以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1;处理公式如下:
Y4=(Y3-Y3_mean)/Y3_std;
其中Y3_mean,Y3_std分别表示Y3均值和标准差。
最后将得到的信号数据Y4通过特征提取模块M24,提取相关特征;参考图2,提取的特征信息包括车辆的上称点e,波峰点p,下称点f等。
基于上述原理,对于模块M3的具体操作如下:在该步骤中目的在于得到实时的行车的精确重量,因此,对于机器学习来说,其属于有监督的回归问题;本发明所提供的机器学习算法,主要运行的框架是基于Google开源的Tensorflow框架,因此本发明所涉及和运行的程序都是基于上述框架,下面参见图4:
在模块M3中所采用的方法是属于机器学习的深度学习网络的方法,由图4所示,此方法大体上按照图中流程,基本上是包括五个模块,输入层模块,卷积层模块,池化层模块,全连接层模块,输出层模块。其中卷积层模块和池化层模块可以归一为Cov模块。由图4可以看到,Cov模块使用虚线框标示,并且卷积层模块和池化层模块后面加一个疑问符号,这是表示Cov模块或者卷积层模块,池化层模块是可以舍弃的,当舍弃掉Cov模块后,图4的模型方法就变成BP全连接神经网络模型方法。
下面将具体介绍图4展示的流程中不同模块的运行原理:
对于输入层模块,即是直接接收M2模块处理后的数据。对于Cov模块,其实质上是起到一个过滤器的作用,它可以将当前神经网络上的一个子节点矩阵转化为下一层神经网络上的长宽都减小的节点矩阵;对于Cov模块,其具体的前向传播过程如图5所示;其前向传播过程就是通过左侧小矩阵中的节点计算出右侧单位矩阵中节点的过程。为了直观解释其前向传播过程,下面将通过一个具体的样例来说明,在这个样例中将展示如何通过过滤器将一个2x 2x 3的节点矩阵变成一个1x 1x 5的单位节点矩阵。假设使用来表示对于输出单位节点矩阵中的第i个节点,过滤器输入节点(x,y,z)的权重值,使用bi表示第i个输出节点对应的偏置项参数,那么单位矩阵中的第i个节点的取值g(i)为:
其中ax,y,z为过滤器中节点(x,y,z)的取值,f为激活函数,f函数的选取有很多,本发明不只限于下面的一个。一个具体的激活函数f定义如下:
图6展示了在a,w0,b0给定了的情况下,使用激活函数f计算g(0)的过程。其中,
b0=1;
因此由上述公式和已知条件,如图6所示,则可以计算g(0):
g(0)=f(3+(-4)+(-3)+1)=f(-3)=0;
同理也可以按照上述步骤计算g(1),g(2),g(3),g(4)等。
上述一实例即是对于Cov模块前向传播的一个简要说明。Cov模块的作用就是将输入的海量数据矩阵,通过过滤器来筛选更加有用的数据特征信息,有效的缩减矩阵大小,减小全连接层的参数,也防止了训练模型的过拟合化。
对于全连接层模型,其与前面Cov模型的最大区别是在每两个全连接层的每个神经元之间是互相连接的,不同于Cov模型层的神经元的部分连接。全连接层的算法过程,全连接算法总体包含正向与反向传播两个过程。在正向传播过程中,输入层接收数据经过隐含层单元处理后,传至输出层单元。每一层神经元仅仅影响与他相邻的下一层神经元。当经过一轮处理后输出结果与期望输出不同时,则进入误差反向传播过程,经过优化函数处理,不断修正各个层各个神经单元的权重值,一直到输入层。不断的重复上述两步,使得不同层的神经单元的权重值不断的被修正,这就是全连接神经网络学习的核心过程。
其数学核心过程参见图7。对于全连接层的第j个神经元,其接收了上一层神经元的n个输出x1,x2....,xn,其对应的权值分别为wj1,wj2,....,wjn,偏移项为bj。
正向传播过程:
第j个神经元的输入值sj为:
经过激活函数处理后得到神经元j的输出:
其中yj为输出结果,f为激活函数,F为f的符合函数,激活函数不唯一,并且X=(x1,x2....,xn),Wj=(wj1,wj2,....,wjn)。
至此,模块M3的核心内容基本介绍完毕。模块M3中的上述步骤反复多次运行后,得到最优的训练模型M4;其中,上述神经网络算法过程如下所示:对于M24模块提取出来的波峰特征数据,其数据表现形式设为x=[x1,x2,....,xn],x表示车辆的特征向量。按照图4流程分为三大部分,输入层,隐含层,输出层,这是总体的基本网络框架。输入层为n个神经元,隐含层有p个神经元,输出层有q个神经元。由于本发明涉及的物理背景是动态预测出车辆的实时重量,对于机器学习算法来说,该算法是一个回归问题。因此,对于输出层的节点个数是确定的,本发明中q实际上等于1,这里用一个抽象的q代替,对于n,其实际对应于M24提取特征的个数,其实际上也是固定的;对于p,其节点数目是可变的,可以认为调节。以此对于M24提取的特征数据则可通过机器学习算法得到相应的预测重量,下面给出具体的流程:
首先定义变量:
输入向量:x=[x1,x2,....,xn];
隐含层输入向量:hi=[hi1,hi2,...,hip];
隐含层输出向量:ho=[ho1,ho2,...,hop];
输出层输入向量:yi=[yi1,yi2,...,yiq];
输出层输出向量:yo=[yo1,yo2,...,yoq];
期望输出向量(标签重量):do=[d1,d2,...,dq];
输入层与隐含层的连接权值:Wih;
隐含层与输出层的连接权值:Who;
隐含层各神经元的偏置项:bh;
输出层各神经元的偏置项:bo;
样本数据个数:k=1,2,...,m;
激活函数:f(.);
误差函数:
对于上述的激活函数,一般常用的函数有relu函数,sigmoid函数,tanh函数等;
其后,网络初始化:
各连接权值分别赋初始值,其初始值一般服从均方差为0.1的分布,对于偏置项初始值赋值为0。随机选取第k个输入样本x(k)=[x1(k),x2(k),...,xn(k)],以及对应的期望输出do(k)=[d1(k),d2(k),...,dq(k)];
然后,计算隐含层各神经元的输入和输出:
其中yoo(k)即是第k个样本的预测输出。
最后,利用网络期望输出与实际预测输出,计算误差函数e对输出层各神经元的偏导数:
利用上述偏导数和隐含层神经元的输出值来修正连接权值和偏置项:
其中是修正前的权值,是修正后的,η是步长参数。
同理利用上述偏导数和输入层输出向量,可以修正输入层与隐含层的连接权重和偏置项。最后计算全局误差:
当全局误差达到要求或者达到最大训练次数,则返回最后的yoo(k)作为最后的预测重量,否则继续循环调整;上述步骤即是神经网络的一个实现过程;神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出;其本质是对各连接权值进行动态调整,即是在学习过程中网络各神经元的连接权值变化依据一定的调整规则。
本发明还提供一种行车重量智能监控系统,所述系统包含数据采集装置、模型训练装置和计算装置;所述数据采集装置包含第一称重传感器和第二称重传感器;所述第一称重传感器用于获得车辆的参考重量数据;所述第二称重传感器设置于道路材料内,且与路面和地底具有一定距离,用于获取由路面上的所述车辆对路面的压力产生的形变特征数据;所述模型训练装置用于根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型;所述计算装置用于根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量。在上述实施例中,所述第二称重传感器可为低于GB/T 21296-2007 10级以下精度的称量系统,其是一种相对于第一称重传感器相比成本较低,但对压力变化具有较高灵敏度的、埋入地下的传感器;第一称重传感器则可为达到GB/T 21296-2007 10级及以上精度的称量系统;实际工作中,当第二称重传感器利用所述计算模型测得重量与第一称重传感器实际测得值如相差较小,低于一预定阈值时,则代表计算模型可用,此时第二称重传感器即可单独执行称重工作,当然后期也可不断利用所述第一称重传感器所测数据训练所述计算模型,以提高所述计算模型的计算精度。
在上述实施例中,所述模型训练装置还包含:根据所述参考重量数据和所述形变特征数据的对应关系,利用机器学习法调整所述参考重量数据与形变特征数据之间的权值,当通过所述权值和待测车辆的形变特征数据计算获得的重量值与待测车辆的参考重量值之间差值小于一预设阈值时,根据所述权值生成计算模型。
在上述实施例中,所述数据采集装置还包含波形预处理模块,所述波形预处理装置用于根据所述车辆对路面的压力获得形变波形,对所述形变波形进行去噪处理和波形锐化处理获得波形信号;根据所述波形信号获得所述形变特征数据;其中通过以下公式获得所述波形信号:
Y3=Y2+a1Y2”+a2Y2””;
上式中:Y2”,Y2””分别表示Y2的二阶导数和四阶导数,a1,a2分别表示Y2”,Y2””对应的系数。
在上述实施例中,所述波形预处理装置还包含特征提取模块,所述特征提取模块用于对所述波形信号进行标准化处理,获得标准波形信号;根据所述标准波形信号获得所述形变特征数据;其中通过以下公式获得标准波形信号:
Y4=(Y3-Y3_mean)/Y3_std;
上式中:Y3_mean,Y3_std分别表示Y3均值和标准差。
通过本发明所提供的行车重量智能监控方法及系统,可以较低成本的基础上,采集海量数据,其后通过海量数据的训练和学习,以此得到精度更高的实时行车重量;不仅成本低廉,而且克服了现有行车作弊问题,再者通过与高精度传感器获得的行车数据动态融合,也提高了行车重量的称重精度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种行车重量智能监控方法,其特征在于,所述方法包含:
通过第一称重传感器获得车辆的参考重量数据;通过设置于道路材料内,且与路面和地底具有一定距离的第二称重传感器,获取由路面上的所述车辆对路面的压力产生的形变特征数据;
根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型;
根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量。
2.根据权利要求1所述的行车重量智能监控方法,其特征在于,所述获取由路面上的所述车辆对路面的压力产生的形变特征数据还包含:根据所述车辆对路面的压力获得形变波形,对所述形变波形进行去噪处理和波形锐化处理获得波形信号;根据所述波形信号获得所述形变特征数据;其中通过以下公式获得所述波形信号:
Y3=Y2+a1Y″2+a2Y″″2;
上式中:Y″2,Y″″2分别表示Y2的二阶导数和四阶导数,a1,a2分别表示Y″2,Y″″2对应的系数,Y1为所述形变波形,Y2为去噪处理后的平滑波形,Y3为通过去噪处理和波形锐化处理获得波形信号。
3.根据权利要求2所述的行车重量智能监控方法,其特征在于,根据所述波形信号获得所述形变特征数据还包含:对所述波形信号进行标准化处理,获得标准波形信号;根据所述标准波形信号获得所述形变特征数据;其中通过以下公式获得标准波形信号:
Y4=(Y3-Y3_mean)/Y3_std;
上式中:Y3_mean,Y3_std分别表示Y3均值和标准差,Y3为通过去噪处理和波形锐化处理获得波形信号,Y4为标准波形信号。
4.根据权利要求1所述的行车重量智能监控方法,其特征在于,所述方法还包含:采集环境数据,根据所述环境数据调整所述计算模型。
5.根据权利要求3所述的行车重量智能监控方法,其特征在于,所述标准波形信号包含上称点、波峰点和下称点。
6.根据权利要求1所述的行车重量智能监控方法,其特征在于,根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型包含:根据所述参考重量数据和所述形变特征数据的对应关系,利用机器学习法调整所述参考重量数据与形变特征数据之间的权值,当通过所述权值和待测车辆的形变特征数据计算获得的重量值与待测车辆的参考重量值之间差值小于一预设阈值时,根据所述权值生成计算模型。
7.一种行车重量智能监控系统,其特征在于,所述系统包含数据采集装置、模型训练装置和计算装置;
所述数据采集装置包含第一称重传感器和第二称重传感器;
所述第一称重传感器用于获得车辆的参考重量数据;
所述第二称重传感器设置于道路材料内,且与路面和地底具有一定距离,用于获取由路面上的所述车辆对路面的压力产生的形变特征数据;
所述模型训练装置用于根据所述参考重量数据和所述形变特征数据的对应关系建立计算模型;
所述计算装置用于根据待测车辆的所述形变特征数据与所述计算模型获得所述待测车辆的重量。
8.根据权利要求7所述的行车重量智能监控系统,其特征在于,所述模型训练装置还包含:根据所述参考重量数据和所述形变特征数据的对应关系,利用机器学习法调整所述参考重量数据与形变特征数据之间的权值,当通过所述权值和待测车辆的形变特征数据计算获得的重量值与待测车辆的参考重量值之间差值小于一预设阈值时,根据所述权值生成计算模型。
9.根据权利要求7所述的行车重量智能监控系统,其特征在于,所述数据采集装置还包含波形预处理模块,所述波形预处理装置用于根据所述车辆对路面的压力获得形变波形,对所述形变波形进行去噪处理和波形锐化处理获得波形信号;根据所述波形信号获得所述形变特征数据;其中通过以下公式获得所述波形信号:
Y3=Y2+a1Y″2+a2Y″″2;
上式中:Y″2,Y″″2分别表示Y2的二阶导数和四阶导数,a1,a2分别表示Y″2,Y″″2对应的系数。
10.根据权利要求9所述的行车重量智能监控系统,其特征在于,所述波形预处理装置还包含特征提取模块,所述特征提取模块用于对所述波形信号进行标准化处理,获得标准波形信号;根据所述标准波形信号获得所述形变特征数据;其中通过以下公式获得标准波形信号:
Y4=(Y3-Y3_mean)/Y3_std;
上式中:Y3_mean,Y3_std分别表示Y3均值和标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711327498.2A CN109918972A (zh) | 2017-12-13 | 2017-12-13 | 一种行车重量智能监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711327498.2A CN109918972A (zh) | 2017-12-13 | 2017-12-13 | 一种行车重量智能监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109918972A true CN109918972A (zh) | 2019-06-21 |
Family
ID=66958683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711327498.2A Pending CN109918972A (zh) | 2017-12-13 | 2017-12-13 | 一种行车重量智能监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918972A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992711A (zh) * | 2019-12-25 | 2020-04-10 | 深圳大学 | 一种汽车流量监控系统及监控方法 |
CN111964763A (zh) * | 2020-08-17 | 2020-11-20 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车断续行驶行为检测方法 |
CN112539816A (zh) * | 2020-12-03 | 2021-03-23 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
CN112729517A (zh) * | 2020-12-31 | 2021-04-30 | 中国计量大学 | 基于改进knn的动态汽车衡多车作弊检测方法 |
CN112781702A (zh) * | 2020-12-30 | 2021-05-11 | 北京万集科技股份有限公司 | 一种对车辆称重的方法及系统 |
CN112964345A (zh) * | 2021-02-07 | 2021-06-15 | 广东电子工业研究院有限公司 | 一种货运汽车称重系统及其称重方法 |
CN113091866A (zh) * | 2021-04-06 | 2021-07-09 | 深圳市汉德网络科技有限公司 | 一种实时测量汽车载重质量的方法与装置 |
CN113240821A (zh) * | 2021-04-12 | 2021-08-10 | 西安科技大学 | 基于多信息融合的动态称重货车不停车计费系统及方法 |
CN114636464A (zh) * | 2022-03-07 | 2022-06-17 | 南京理工大学 | 基于人工智能的叉车轮胎可承载重量在线监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10311752A (ja) * | 1997-05-13 | 1998-11-24 | Mitsubishi Heavy Ind Ltd | 車重計量装置 |
CN202255582U (zh) * | 2011-08-19 | 2012-05-30 | 昆山市工业技术研究院有限责任公司 | 公路称重系统 |
CN102809413A (zh) * | 2012-08-06 | 2012-12-05 | 北京万集科技股份有限公司 | 一种车辆动态称重作弊检测方法及装置 |
CN103065369A (zh) * | 2012-12-17 | 2013-04-24 | 山东易构软件技术有限公司 | 一种使用激光雷达的电子不停车计重收费系统 |
CN103822692A (zh) * | 2014-02-28 | 2014-05-28 | 北京航空航天大学 | 基于超声波测距传感器的货运车辆载荷监测方法及监测设备 |
DE102014108788A1 (de) * | 2013-07-12 | 2015-01-15 | Infineon Technologies Ag | Gewichtsbestimmung durch reifendruckerfassung |
CN105973444A (zh) * | 2016-06-25 | 2016-09-28 | 湖南师范大学 | 一种改进的汽车衡称重方法 |
CN106198058A (zh) * | 2016-08-03 | 2016-12-07 | 东南大学 | 一种基于胎压监测的竖向车轮冲击力实时测量方法 |
-
2017
- 2017-12-13 CN CN201711327498.2A patent/CN109918972A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10311752A (ja) * | 1997-05-13 | 1998-11-24 | Mitsubishi Heavy Ind Ltd | 車重計量装置 |
CN202255582U (zh) * | 2011-08-19 | 2012-05-30 | 昆山市工业技术研究院有限责任公司 | 公路称重系统 |
CN102809413A (zh) * | 2012-08-06 | 2012-12-05 | 北京万集科技股份有限公司 | 一种车辆动态称重作弊检测方法及装置 |
CN103065369A (zh) * | 2012-12-17 | 2013-04-24 | 山东易构软件技术有限公司 | 一种使用激光雷达的电子不停车计重收费系统 |
DE102014108788A1 (de) * | 2013-07-12 | 2015-01-15 | Infineon Technologies Ag | Gewichtsbestimmung durch reifendruckerfassung |
CN103822692A (zh) * | 2014-02-28 | 2014-05-28 | 北京航空航天大学 | 基于超声波测距传感器的货运车辆载荷监测方法及监测设备 |
CN105973444A (zh) * | 2016-06-25 | 2016-09-28 | 湖南师范大学 | 一种改进的汽车衡称重方法 |
CN106198058A (zh) * | 2016-08-03 | 2016-12-07 | 东南大学 | 一种基于胎压监测的竖向车轮冲击力实时测量方法 |
Non-Patent Citations (4)
Title |
---|
文玉梅 等: "用多项式近似逆滤波函数实现场曲修正", 《光子学报》 * |
李造鼎: "《岩体测试技术(修订版)》", 30 April 1993, 冶金工业出版社 * |
董敏娥 等: "《公路监控技术及应用》", 30 September 2013, 西安电子科技大学出版社 * |
马海平 等: "新型动态汽车衡称重系统的设计与实现", 《中国测试技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992711A (zh) * | 2019-12-25 | 2020-04-10 | 深圳大学 | 一种汽车流量监控系统及监控方法 |
CN111964763B (zh) * | 2020-08-17 | 2021-06-15 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车断续行驶行为检测方法 |
CN111964763A (zh) * | 2020-08-17 | 2020-11-20 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车断续行驶行为检测方法 |
CN112539816B (zh) * | 2020-12-03 | 2022-03-01 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
CN112539816A (zh) * | 2020-12-03 | 2021-03-23 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
CN112781702A (zh) * | 2020-12-30 | 2021-05-11 | 北京万集科技股份有限公司 | 一种对车辆称重的方法及系统 |
CN112781702B (zh) * | 2020-12-30 | 2023-12-22 | 北京万集科技股份有限公司 | 一种对车辆称重的方法及系统 |
CN112729517A (zh) * | 2020-12-31 | 2021-04-30 | 中国计量大学 | 基于改进knn的动态汽车衡多车作弊检测方法 |
CN112964345A (zh) * | 2021-02-07 | 2021-06-15 | 广东电子工业研究院有限公司 | 一种货运汽车称重系统及其称重方法 |
CN113091866A (zh) * | 2021-04-06 | 2021-07-09 | 深圳市汉德网络科技有限公司 | 一种实时测量汽车载重质量的方法与装置 |
CN113091866B (zh) * | 2021-04-06 | 2023-08-18 | 深圳市汉德网络科技有限公司 | 一种实时测量汽车载重质量的方法与装置 |
CN113240821A (zh) * | 2021-04-12 | 2021-08-10 | 西安科技大学 | 基于多信息融合的动态称重货车不停车计费系统及方法 |
CN114636464A (zh) * | 2022-03-07 | 2022-06-17 | 南京理工大学 | 基于人工智能的叉车轮胎可承载重量在线监测方法 |
CN114636464B (zh) * | 2022-03-07 | 2024-04-23 | 南京理工大学 | 基于人工智能的叉车轮胎可承载重量在线监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918972A (zh) | 一种行车重量智能监控方法及系统 | |
Chen et al. | Visual measurement of milling surface roughness based on Xception model with convolutional neural network | |
CN107909564A (zh) | 一种基于深度学习的全卷积网络图像裂纹检测方法 | |
CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN109916494B (zh) | 称重设备标定方法及装置 | |
CN102226711B (zh) | 一种车辆动态称重方法及装置 | |
CN109931856A (zh) | 道路平整度的采集方法/系统,评价系统,介质及服务端 | |
CN107180367A (zh) | 一种基于机器学习的车辆估价的方法、存储介质及装置 | |
Zhou et al. | Concrete roadway crack segmentation using encoder-decoder networks with range images | |
CN107238500A (zh) | 汽车操纵稳定性试验快速评价系统建立方法 | |
CN115127652A (zh) | 一种基于智能算法的高精度窄条式车辆动态称重系统及其称重方法 | |
CN104197932B (zh) | 基于人类行为学的位置跟踪方法 | |
CN108920757A (zh) | 一种基于计算机仿真的汽车碰撞事故再现方法 | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN109916484B (zh) | 称重设备联合称重方法及装置 | |
CN109916483B (zh) | 称重设备联合监控方法及装置 | |
CN117079099A (zh) | 一种基于改进YOLOv8n的违规行为检测方法 | |
CN114972280B (zh) | 精细坐标注意力模块及其在表面缺陷检测中的应用 | |
CN113450565B (zh) | 一种减小沥青路面噪音的方法及系统 | |
CN112937587A (zh) | 基于K-Medoids和分类回归树的路感模拟方法 | |
CN109933921B (zh) | 一种滚石灾害风险评估方法、装置、系统及存储介质 | |
Wu et al. | Fast calibration for vibration-based pavement roughness measurement based on model updating of vehicle dynamics | |
CN112100731A (zh) | 一种疲劳荷载计算模型的建立方法及系统 | |
CN106290094A (zh) | 应用于扬尘颗粒物在线监测的mie散射快速计算方法 | |
Wen et al. | An improved LSTM-based model for identifying high working intensity load segments of the tractor load spectrum |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |